文摘
考虑到缺乏研究人力资源灵活性和调度效果之间的关系,一个resource-competency提出了基于矩阵方法,以揭示它们之间的定量关系。与此同时,建立了作业车间调度模型与人力资源灵活性和改进的遗传算法用于解决模型。的案例分析证明了重大影响人力资源灵活调度的影响,这为构建柔性制造系统提供了有价值的指导。
1。介绍
在传统的生产调度问题中,通常假定工件处理时间是一个常数和永久的工人总是可用的。然而,在实际生产活动中,工件的加工时间是不固定的,从而改变处理工人的转变。例如,在一个标准化的操作环境,技术和新工人的技术熟练程度不同会导致不同的处理时间。为产品设计项目的最优调度问题,那里et al。1)提出了task-personnel-resource匹配程度评价指标和相关的计算方法。他们介绍设计师之间的匹配程度,技术资源,和设计任务调度模型,以及技术资源的强度。Bixi et al。2]研究了人力资源调度过程中中小企业,员工部署计划是根据生产任务调整需求和不同负荷生产单位来实现自适应劳动分工模式。问题的最优调度的生产管理、耶鲁大学等。3)研究了单件、小批量的柔性工作车间调度问题,考虑到运营商的多样性的技能和技能水平的差异,不同的任务和任务之间的匹配度计算成员基于运营商的累积在每个任务操作时间。各种各样的方法被用来研究task-personnel-resource匹配问题。李等人。4)获得最佳的劳动分配方案灵活的制造商与遗传算法和动态规划。手中et al。5)解决了人员配备的问题,劳动力成本是决定工作序列采用动态规划。锅等。6)提出了一种两阶段启发式算法,整数规划来解决员工调度问题。在流水车间调度人员安排初步研究在文献[7,8]。Di Francesco et al。9)分类多种技能汇编程序分成几类,按照技术水平和创造了一个混合整数规划模型针对减少员工的数量之间的旋转装配线来解决这个问题。Corominas et al。10摩托车组装者分为两类,即熟练和非熟练的,建立了一个人员配备模型旨在减少机智时间和较低的工人的数量。Parisio和尼尔·琼斯(11)建立了一个综合文中针对零售市场的劳动力规划框架。复杂的预测方法与随机规划集成在一起。产生et al。12)创建了一个人员配备模型以最大生产率和员工满意度为目标,然后使用分支界限法算法来解决这个问题。李和科琳13)建立了一个worker-task灵活匹配模型制造商,目的是优化劳动力配置和测序工作。遗传算法和动态规划方法被用于解决这个问题。小君et al。14]提出了基于资源优化配置,调度模型的资源成本,和早熟或迟到罚款,三层编码方法被用来实现灵活的动态调度约束基于变量的工艺路线和人机协调。nondominated排序遗传算法也被用于优化生产路径共存下的多个生产线,同时,优化工资成本和earliness-tardiness工件的刑罚。曹et al。15)建立了一个汇编程序调度模型最大化工作适应能力的总和。基于健康矩阵的启发式算法。名洲和Na (16)创建一个任务能力基于索引优化车间人员工作质量的目标模型和操作时间。混合粒子群优化(PSO)算法用于解决模型,并给出了具体的求解过程。
上面的代表性研究成果在调度问题的约束下人员的灵活性,分别表示初步建模和人力资源之间的关系和任务匹配产品设计;人员分配问题在不同的工艺路线;为生产商店和worker-task匹配模型。然而,这些研究仅仅局限于特定的情况下,缺少深入探索人员的灵活性和调度效果之间的关系,特别是分析和研究它们之间的定量关系。生产活动中最重要的资源,人员灵活调度问题的研究具有十分重要的现实意义。因此,本文研究人员灵活的作业车间调度问题的改进遗传算法指的是现有研究人员灵活的作业调度和分析规则和人员的灵活性和调度之间的交互效应,努力提供一个理论依据车间调度的优化设计和实现的工作。
2。人员灵活的作业调度的数学模型
假设工件的数量,然后通过程序,需要处理。机集。一个或多个处理机器可供每个过程和处理时间可能随不同的机器。每个工人可以操作一个或多个机器和工人设置来标示。
2.1。测量人员的灵活性
人员的灵活性是指企业人员的能力快速高效地处理不同的任务不确定改变在生产过程中,强调员工的多功能性。研究人员的灵活性对企业生产率的影响,人员的灵活性特点是personnel-machine关系图。假设有工人,谁是相互独立的,以及机器在生产系统。相应的实际生产线和personnel-machine关系图如图1和2。图2表明不同的操作人员的技能不同的机器上。例如,人可以操作机器1和机器2;然而,两人可以机器,机器两个,另一个机器。
基于personnel-machine关系图,可以映射矩阵结构,称为personnel-machine (PM)矩阵。点矩阵是一个矩阵用。相对应的元素吗th的列行。
点矩阵可以得到。
点矩阵的大小,可以测量生产线工人的灵活性与弹性方程。相关计算公式
FI值之间的范围(]。FI的价值越大,人事系统的灵活性越高,反之亦然。FI值越大表明系统中有许多工人可以操作多台机器和几个可用的调度计划。方程(3)有效地表达之间的关系人员的灵活性和调度分配。现有的文献很少关注这个问题。
(3),在计算三种情况会发生:行数大于列数和方阵;列数大于的行数。为了方便后续的描述情况,初步探讨了这三种类型的点矩阵。(一)当时的行数大于列的数量,。人员的灵活性和nonflexibility之间的界定存在至少一个人操作多个设备的能力。为了简化证明过程,它是假定机器操作按升序点矩阵的行数。通过这种方式,会有()的闲置劳动力数量,准备处理任务。在这种情况下,FI计算满足如下不等式: (b)点矩阵广场时,的行数等于列数。假设所有的对角元素都是1,计算FI满足如下不等式: (c)当列数大于的行数,。为了简化证明过程,它是假定机器操作按升序点矩阵的行数。然后()数量的机器被闲置,因此有必要选择()的员工数量他们操作剩下的数量()数量的机器。工人已经在这种环境中灵活,计算相应的FI所示(5)。
2.2。人员弹性模型
传统的生产调度问题很少考虑人员的影响。但实际生产中,机器可能是由不同的工人,在处理时间随工人的技能和经验水平。因此,生产调度问题,考虑到人员的灵活性是更复杂的。首先,安排合适的机器一定过程中需要处理的工件。其次,选择适当的人员需要从一组工人操作机器的能力。只有这样,实际上产品的加工和测序完成。是用来代表工件的处理时间在机由工人(包括工件的准备时间);表示工件的完工时间在机由工人;和代表所有工件的序列;的完成时间上的工件数量可以表示的机器以下方程: (在哪里10最大完工时间的)和(11)表示对应的调度顺序的极小化最大完工时间。
此外,生产调度问题考虑人员的灵活性还需要满足以下约束条件:(1)一台机器一次只能处理一个工件。(2)工件只能处理单个机器。(3)不能中断处理程序一旦启动。(4)不同的工件拥有相同的优先级。(5)之间不存在优先约束程序不同的工件,而优先约束程序之间存在相同的工件。(6)所有的工件都可加工的时间为零。(7)员工可以在任何时间只要没有冲突。
3所示。改进的模拟退火遗传算法(ISAGA)
遗传算法收敛速度快。当一个优秀的染色体有健身价值远远高于平均人口计算,其被选择的概率增加的比例的选择,从而导致了“早熟”现象。模拟退火算法(SA)有能力跳出当地的最适条件,但模拟退火(SA)的主要缺点是,它需要太多的电脑时间。为了解决这个过早收敛和耗时的问题,提出了改进的模拟退火遗传算法(ISAGA),以提高寻优搜索的性能。
3.1。编码
高效的编码机制可以降低计算的复杂性,避免修复机制。本文采用三层编码。第一层是程序序列编码方式,不同的处理顺序程序确定。第二层是基于机器的机器分配编码,每个过程的加工机械。第三层是工人操作机器的编码。这种编码方法直接反映了调度过程中可行的分配方案,在总能产生可行的解决方案。一个如图three-encoding例子3。在这个例子中,有三个工件;每个工件都有三个操作。第一操作工件的三台机器(机器1、3、6)可以用于执行此操作;如果机器三个选择,1和2人满足操作要求;在这个例子中,两个被选中来操作机器三个人。
的编码方式。码长程序的总数,而每一个代码是一个排列的所有程序。出现在的工件数量th时间代表了工件的过程。
基于机器的编码。它的长度是一样的编码方式。每个编码对应的加工机械选择为每个过程。每个位置的机器代码代表了序列号的机器选择的程序组可用的机器。
人员编码。它的长度是一样的编码方式。每一个代码对应于每个过程的加工机械。每个职位的人员编码表示的位置操作机器的工人选择组可用的工人。
3.2。交叉算子
交叉操作的目的是保留良好的信息在父染色体通过它们之间的信息交换。在这篇文章中,染色体由三个部分组成。具体的转换过程可以表示如下。(1)过程染色体:多个工件在使用workpiece-based痘每个染色体交叉操作,可以继承父母的优良特征。(2)工件集随机分为两组:Jobset1和Jobset2。(3)工件包括在Jobset1 / Jobset2在父染色体P1和P2被复制到后代染色体C1、C2,同时保持其位置和序列。(4)工件不包括在Jobset1 / Jobset2在父染色体P1和P2被复制到后代染色体C1、C2根据他们的原始序列。(5)机械和人员的交叉染色体是由同样的方法用于过程染色体,同时确保它们之间的通信是在交叉过程中保持不变。
3.3。变异算子
在变异操作中,轻微扰动被随机地改变某些基因在染色体的增加种群的多样性。
过程测序部分,三个突变的方法,也就是说,交换,插入,和反向测序。每一次,这些突变的方法之一是随机选择的操作。
加工机械的选择来说,过程是随机选择的,然后加工机器目前在染色体替换为一组不同的机器选择的机器可用的过程。
人员染色体选择部分,机器是随机选择从机器代码,然后当前的员工在染色体替换为一组不同的工人被选中的人才能操作这台机器。
3.4。算法流程
作业调度问题在人员灵活的环境中,ISAGA的流如下。
步骤1。初始化算法参数(人口的数量popsize,最大迭代次数,最初的接受概率,交叉概率变异概率和退火速率)。
步骤2。随机生成初始种群。计算每个个体的健身价值和分配当前人口之间的最佳解决方案,而分配最糟糕的解决方案。计算初始温度。
第三步(终止条件)。算法终止时的最大迭代数是达到了。如果条件满足,转向步骤7;否则,转到步骤4。
步骤4。实现人口和遗传操作计算新个体的适应度值。如果健身值比上一代的最优个体,取代父母的后代而更新;否则,保留上一代的最优个体。
第5步。实现ISAGA操作对当前种群中最优个体,计算新生成的个人的健身价值,比较健康的变化由两个位置造成的。如果如果,接受新的位置,也接受新位置;否则,保留旧的位置。
步骤6。 ;然后执行退火操作,并返回步骤3。
步骤7。输出最优解计算获得。
4所示。应用与分析
本文仿真实验进行计算机与英特尔核心2 CPU / 2.00 GHz 2.00 GB RAM使用Matlab R2009b编程语言。算法参数设置如下:100年的迭代次数;人口规模50;交叉概率0.8;变异概率0.1;退火速率0.98;最初的接受概率= 0.7。
验证不同人员灵活性调度效果的影响,分析了调度效果差异三个点矩阵的情况下(行数>列数;方阵;的行数<列数),从而确定关键人员的突出影响调度的影响,讨论了三种情况。
当的行数大于列的数量,工人的数量大于机器的数量。相关处理信息表所示1下午,和相应的矩阵所示(12)。调度效果如图4。
我们可以看到从(12),当时,。
图4显示数据表的多个仿真结果1,数据块代表运行时,机器,和工人。例如,37岁的2,2代表第一个工件程序是由工人处理2机器2 37次单位。此外,最小化最大完工时间为120单位。
准确反映相关性调度效果和人员的灵活性的情况下的行数大于列数,本文开始研究六,每个员工只能操作一台机器,直到所有员工可以操作任何机器。第一个规则增加人员的灵活性是增加运营商的数量降序排列的处理时间。例如,处理时间,在不同的机器上(:40,:30,:60),(:50,:60),首选机器增加人员的灵活性或。与此同时,数量大于机器代码都是增加人员时的灵活性。如果人员限制已经达到的最大数量,数量从1开始增加了。如果机器,运营商机器5工人5添加在第一步。6是工人的最大数量,添加在第二步中,等等。每种类型的灵活配置运行20次,和最频繁重复调度性被认为是各自的灵活性配置下的调度结果。关系曲线如图5。
从图可以看出5,当行数大于列数,也就是说,当人员的数量大于设备碎片的数量,最小化最大完工时间逐渐减少与增加人员的灵活性和最终稳定。
的行数等于列数。如果只考虑前五个工人,加工环境包括五机器和工人将会形成。首次生产环境中,假设点矩阵的对角元素为1,其余为0。增加工人的灵活性原理是一样的。增加步长是5,这意味着5运营商被添加为一个机器。关系曲线如图6。
从图可以看出6,当行数等于列数,也就是说,当人员的数量等于设备碎片的数量,最小化最大完工时间随人员的灵活性的增加而逐渐减小,最终稳定。比较图5,发现人员的调度结果的数量等于设备不如碎片的数量情况的人员数量大于设备的块的数量。主要原因是更多可用的人员与更好的处理方案。不同机器操作工人之间将不可避免地导致一个更大的解决方案空间,所以可以搜索更多解决方案当有更多的人员。
当的行数小于列数,人员的数量小于机器的数量。假设只有前4名工人被认为是人可以操作机器4和5。增加工人的灵活性原则上面是一样的,步长为5。关系曲线如图7。
从图可以看出7,当行数小于列数,也就是说,当人员的数量小于设备碎片的数量,最小化最大完工时间随人员的灵活性的增加而迅速减小,最终稳定。与数据5和6,发现人员的调度结果的数量小于设备碎片的数量不如前两种情况在1的灵活性。这主要是因为少数人员增加每个工人的灵活性,但是仍然无法完全满足足够的选择空间。
比较分析提出的改进算法的性能,三个情况()~ ()比较分析利用ISAGA、GA和SA分开。算法运行在每个程度的灵活性,100倍的数字乘以他们聚集最优解记录如表所示2。
上述分析后,可以得出以下结论。
在一个固定数量的设备,最小化最大完工时间随人员的灵活性的增加而逐渐减小,最终稳定下来,不再与改变人员变化的灵活性。这表明无限增加的人员不一定带来效率高。
三情况的比较分析发现,最小化最大完工时间的优越情况的人员数量大于设备的数量的其他两种情况1的灵活性。此外,结果最差情况的人员的数量小于设备的数量。如图7,当设备的数量大于人员的数量,设备处于饥饿状态。如图5、人员的灵活性有理论上的最佳点。当人事灵活性大于这一点上,它不能影响调度结果。图6介绍了调度结果的变化趋势时人员的数量等于设备的数量。从图可以看出,曲线变化的关系慢慢的在这种情况下,调度结果不稳定,直到达到0.8的灵活性。
仿真分析表明,ISAGA在解决类似规模的优化问题具有一定的优势,与收敛于最优解的次数明显优于其他两种算法。改进后的算法可以用来解决大规模优化问题。
上述研究结果对于指导设计和优化具有重要意义的灵活的生产线。
5。结论
摘要人员灵活调度问题研究旨在最小化最大完工时间;ISAGA为解决问题提出了基于不同分类研究人员灵活性。结果表明某些人员的灵活性和调度之间的交互效应。这些结论为提高公司生产力具有重要的指导价值。在下一步中,我们的团队将研究定量证明方法,希望得到更一般的常规知识,以更好地指导生产系统的设计和优化的灵活性。
相互竞争的利益
作者宣称没有利益冲突。
确认
作者支持湖南城市大学的关键项目资助(2015 xj02),中国博士后科学基金资助项目(2016 m590929),并在中国(教育部)人文社会科学项目(13 xjc630011)。